دستیابی به شبکه عصبی ، هوش مصنوعی و تکنیک های یادگیری ماشین که بعضی از افراد به دنبال آن هستند

در این دوره چه چیزهایی یاد خواهید گرفت ؟

• گسترش استفاده از نوت بوک ipython
• یادگیری اقدامات آماری مانند انحراف استاندارد
• تجسم توزییع داده ها ، توابع احتمال و توابع چگالی
• تجسم داده با plotlib
• استفاده از کواریانس و معیار های همبستگی
• اعمال احتمال شرطی برای یافتن ویژگی های همبستگی
• استفاده از قضیه Bayes  برای شناسایی خطاها و درستی ها
• پیش بینی با استفاده از رگرسیون خطی، رگرسیون چندگانه و رگرسیون چند متغیره انجام میشود
• یادگیری کامل مدل های پیجیده چند سطحی
• استفاده از train/test و در مقابل آن استفاده از K-Fold cross برای یافتن مدل مناسب
• ایجاد یک طبقه بندی اسپم با استفاده از Naive Bayes
• استفاده از درختان تصمیم گیری برای پیش بینی
• خوشه بندی داده ها با استفاده از خوشه بندی k-means و ماشین پشتیبان بردار (SVM)
• ایجاد ایجاد فیلم سیستم پیشنهاد گر با استفاده از فیلترینگ مبتنی بر کاربر
• پیش بینی طبقه بندی با استفاده از KNN (نزدیک ترین همسایه به K)
• اعمال کاهش کیفیت با استفاده از آنالیز مولفه های اصلی (PCA)
• آموزش تقویت یادگیری و نحوه ساخت یک Pac-Man bot
• داده های ورودیتان را تا قبل از حذف شدن پاک کنید
• یادگیری ماشین و خوشه بندی را با استفاده از TF/IDF در مقیاس بزرگ با استفاده از Spark’s MLLib اجرا کنید
• طراحی واریانس تست A/B با استفاده از T-Tests  و  P-Values

در این دوره به چه چیزهایی نیاز دارید ؟

• یک یارانه رومیز با سیستم عامل ویندوز،مک یا لینوکس که قادر به اجرای Enthought Canopy 1.6.2 یا ورژن های بالاتر باشد( نصب برنامه ها در این دوره بصورت رایگان است)
• داشتن تجربه در حیطه کد نویسی و script
• داشتن حداقل مهارت های ریاضی در سطح دبیرستان

این دوره براساس یک رایانه رومیزی مبتنی بر ویندوز مایکروسافت راه اندازی میشود در حالی که کد نویسی در سیستم عامل های دیگر اجرا میشود به همین دلیل است که نمیتوانیم یک پشتیبان سیستم عامل ارائه دهیم

توضیحات :

دانشمندان علوم داده از یک شغل با درآمد بالا استفاده میکنند طبق گفته Glassdoor حقوق متوسط این شغل 120 هزار دلار است این مبلغ فقط بصورت میانگین است و فقط در حیطه پول نیست و کاری جالب است.اگر شما تجربه برنامه نویسی و اسکریپت را داشته باشید این دوره تکنینک هایی که توسط دانشمندان علم اطلاعات استفاده میشود را به شما آموزش میدهد و شما برای آموزش دیدن این حرفه آماده میشوید این دوره شامل بیش از 80 سخنرانی که شامل 12 ساعت ویدیو است میباشد اکثر موضوعات نمونه های کد پایتون است که میتوانید بر ای تمرین خودتان از آن استفاده کنید  من با 9 سال تچربه در آمازون و IMDb نکات مهم را به شما آموزش میدهم .هر مفهوم زبان انگلیسی بدون استفاده از علائم ریاضی گنگ و مبهم است که با استفاده از کدنویسی پایتون این مشکل را حل میکنیم در این دوره شما بصورت پیشرفته ریاضی این الگوریتم ها را میبینیدو در نهایت یک پروژه نهایی از آنچه آموخته اید را به شما میدهد

دراین دوره آنالیز نیاز های واقعی که در لیست کارهای دانشمندان علم داده برای یادگیری ماشین قرار دارد را ، یاد میگیرید  که شامل :

• یادگیری عمقی  و شبکه های عصبی (MLP’s, CNN’s, RNN’s)
• آنالیز رگرسیون خوشه بندی k-means
• آنالیز اجزای اصلی
• Train/Testو اعتبار سنجی متقابل آن
• روش های Bayesian
• درختان تصمیمی گیری و جنگل های تصادفی
• رگرسیون چند متغیره
• مدل های چند سطحی
• ماشین بردار پشتیبان (svm)
• تقویت آموزش
• فیلتر همکاری
• نزدیک ترین همسایه K
• Bias/Variance  اشتباه
• آموزش گروهی
• فرکانس و عکس فرکانس داده
• طراحی تجربی و آزمون A/B

نوشته یادگیری عمقی و یادگیری ماشین با پایتون اولین بار در ایران متلب پدیدار شد.